Laden Sie eine WhatsApp-Sprachnachricht herunter, erhalten Sie eine kleine .ogg-Datei. Darin steckt Opus-Audio, ein Codec, der für Sprachanrufe entwickelt wurde.
So funktioniert es
Es gibt zwei Schichten, jede durch einen IETF-RFC definiert:
| Schicht | Spezifikation | Was sie tut |
|---|---|---|
| Opus-Codec | RFC 6716 | Komprimiert das Audio. Er kombiniert eine Linear-Prediction-Schicht auf Basis von SILK mit einer MDCT-Schicht auf Basis von CELT und reicht von 6 kbit/s für Schmalband-Sprache bis 510 kbit/s für Stereo-Musik |
| Ogg-Container | RFC 7845 | Verpackt die Opus-Pakete in eine Datei, beginnend mit einem OpusHead-Identifikationsheader |
RFC 6716 nennt fünf Bandbreiten, von Schmalband (8 kHz Abtastrate) bis Vollband (48 kHz). RFC 7845 sagt, dass Granule-Positionen immer Samples bei 48 kHz zählen, egal mit welcher Rate der Decoder ausgibt. Er empfiehlt die Endung .opus und den Medientyp audio/ogg, optional audio/ogg; codecs=opus.
Die Medienreferenz der WhatsApp Cloud API von Meta führt OGG-Audio als audio/ogg mit „Opus codec only“ (Übersetzung: „nur Opus-Codec“), Mono, bis 16 MB.
Warum es wichtig ist
- Viele APIs nehmen es nicht an. Ein Speech-to-Text-Endpoint, der nur WAV oder MP3 akzeptiert, lehnt eine Sprachnachricht ab, bis Sie sie umwandeln.
- Die Umwandlung ist billig. Ein einziger ffmpeg-Befehl decodiert Opus zu PCM. Das Ergebnis ist deutlich größer als die Sprachnachricht, achten Sie also auf Dateigrößenlimits.
- Namensverwechslung. „Opus“ ist bei anderen Anbietern auch ein Modellname. Im Audiokontext ist der Codec gemeint.
Bei BroadNet Inference
Der Transkriptions-Endpoint von BroadNet akzeptiert nur WAV (audio/wav) oder MP3 (audio/mpeg), bis 26.214.400 Bytes pro Datei. Die Dokumentation wandelt eine WhatsApp-Sprachnachricht in einem Schritt um:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
-ar setzt laut ffmpeg-Dokumentation die Abtastfrequenz und -ac die Zahl der Kanäle, dieser Befehl schreibt also WAV mit 16 kHz in Mono. Senden Sie die Datei dann mit language=ar (oder en) an BroadNet Transcribe Arabic oder BroadNet Transcribe. Die Anleitung zu WhatsApp-Sprachnachrichten enthält ein Skript, das einen ganzen Ordner umwandelt und transkribiert, und die n8n-Anleitung erledigt das in einem Workflow. Für eine Sprachnachricht, die zu lang für eine Datei ist, berechnet der Audio-Splitter die Teilstücke.
Häufige Fehler
- Umbenennen statt umwandeln.
.oggin.wavumzubenennen, ändert nichts am Audio darin. Decodieren Sie mit ffmpeg. -ac 1weglassen. Stereo verdoppelt die WAV-Größe, ohne der Transkription zu helfen.